【NLP】1、BERT

论文：BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding

出处：Google

一、背景

在 BERT 之前的语言模型如 GPT 都是单向的模型，但 BERT 认为虽然单向（从左到右预测）预测任务符合语言模型的建模过程，但对一些语言理解任务不太友好，因为要理解一句话说的是什么意思的话（如 VQA）， 同时看到一整句话也是可以的，是符合逻辑的，而不是只能一个单词一个单词的来逐个看。

所以 BERT 打破了语言模型单向的限制，做了一个双向的模型，就是做完形填空的时候运行看左边也运行看右边，而且是受 Cloze （1953年的论文）这个方法的启发

具体的做法就是每次随机选一些 token 然后 mask 掉这些信息，目标是预测这些 token，这样就允许训练一个双向且深的 transformer 模型结构

此外，BERT 还做了一个任务——下一个句子的预测（next sentence prediction），就是给模型两个句子，让模型判断这两个句子在原文中是不是相邻的，能让模型学习句子层面的信息

二、方法

BERT 的两个步骤：

• 预训练：使用 无标注 的数据训练的预训练模型（下图左侧），由两个任务共同组成预训练

  • mask model：预测被 mask 掉的 token，类似完形填空的方式。预测的过程相当于做多分类，类别的个数是词汇的总个数，将 mask 的词的 embedding 经过 MLP 变成在每个类别词汇上的 logits 概率，label 是 mask 位置上真实词汇在整个词汇上的 one-hot 编码，将 logits 和 lable 计算交叉熵，然后所有的预测做加权平均，就能得到 MLM 的 loss 了

    输入的是句子对儿，会把句子先进行拆词，并在序列首位放置 [CLS] 在句子中间放置 [SPE] 这两个特殊的 token，然后对普通的 token（除过特殊 token 之外的从句子中拆出来的 token）进行 15% 概率的擦除，然后在这 15% 的 token 中选择 80% 的直接用 [MASK] 替换掉这个 token，10%的随机放置 token，10% 不改变 token。

  • next sentence prediction：预测下一个句子
    在 VQA 和 语言推理中都是句子对，所以使用这种方法对这两个任务类似的理解的任务有提升。输入的数据中有 50% 真的是下一个句子，50% 是随机拿来的句子。

• 微调：针对不同的下游任务，还会使用有标签的数据来微调，使用预训练模型参数初始化，所有权重都会参与训练（右边）

模型超参数：base 共 110M 参数（也就是 1.1亿）对标的是 GPT 模型大小，large 共 340M 参数（也就是 3.4亿）

• transformer block 个数：base 12 层，large 24 层
• hidden 层大小：base 768，large 1024
• 多头注意力机制 head 的个数：base 12 头，large 16 头
  

输入和输出：

• 输入是一个序列，可以是一个句子，也可以是两个句子，两个句子也会并成一个序列
• 序列的构成方式：使用的切词方法是 WordPiece，因为如果按照空格切词的话会导致词典很大，WordPiece 是说如果一个词出现频率不高的话，那么就切开看它的子序列，子序列出现多的话保留子序列就可，可以使用 30000 token vocabulary 就能表示一个大的文本了。切好词之后就要把两个句子整合成一个序列，序列的第一个词用于都是 [CLS]，bert 希望这个 token 表示整个序列的特征。还有一个 [SEP] token 表示将两个句子在这里切开，因为毕竟每个句子还是独立的个体，所以要有标志将其切开。在图 1 左侧就展示了，将句子切成 token，然后将求每个 token 的 embedding，
• 每个 token 还要加 位置的 embedding 和 segment embedding，如图 2 所示

• BERT 的每个 token 的输入是由三个部分相加得到的
• token embedding：就是输入 transformer 之前的一次简单 embedding
• segment embedding：表示第一句话还是第二句话
• position embedding：token 在序列中的位置